Implementasi Metode Naive Bayes Untuk Klasifikasi Kredit …

ISSN: 1978-1520

Journal of Information System, Mei 2018 IJCCS Vol. x, No. x, July201x : first_page–

end_page

10

Implementasi Metode Naive Bayes Untuk Klasifikasi

Kredit Motor

Implementation of Naive Bayes Method For Classification of Motorcycle Credit

Heryono *1, Acun Kardianawati

2

1,2 Program Studi Sistem Informasi Universitas Dian Nuswantoro; Jl. Imam Bonjol 207, Semarang. telp. (+6224)3517261

e-mail: *[email protected], [email protected]

Abstrak

Kredit dalam hal ini telah menjadi sumber penghasilan bagi beberapa bank ataupun

perusahaan dan instansi swasta yang menyewakan jasa kreditnya kepada konsumen, meskipun begitu dapat dilihat terdapat beberapa konsumen yang memiliki kredit macet seperti tunggakan

dan hal lainnya yang mengakibatkan tidak dapat melanjutkan pembayaran kredit. OTO Kredit

Motor adalah salah satu perusahaan yang bergerak dibidang perkreditan kendaraan beroda dua atau motor. Dalam hal ini OTO Kredit Motor masih sangat kesulitan di dalam menentukan

calon debitur yang nantinya akan layak untuk mendapatkan kredit tersebut. Oleh karena itu

data mining digunakan untuk dapat memprediksi resiko terjadinya kredit macet dengan

melakukan pengklasifikasian terhadap calon debitur kendaraan nantinya. Tujuan dari penelitian ini, adalah memprediksi terhadap kelayakan kredit macet menggunakan metode

Naïve Bayes. Hasil dari penelitian digunakan untuk memprediksi kelayakan kredit untuk

menghindarkan terjadinya kredit macet, dan mengevaluasi performance model Naïve Bayes.

Kata Kunci: DataMining, Algoritma Naive Bayes, Klasifikasi, Debitur.

Abstract In this case the credit has become a source of income for some banks or companies also

private institutions for lease their credit services to consumers, although it can be seen there

are some consumers who have bad loans such as arrears and other things that can be effecting

failure in resume credit payments.OTO Kredit Motor is one of the companies were engaged in the loan of motorcycles. In this case OTO Kredit Motor is still very difficult in determining the

prospective borrowers who will be eligible to get the credit. Therefore, data mining is used to

predict the risk of non-performing loans by classifying the prospective borrower of the vehicle. The purpose of this study, is to predict the viability of bad loans using the Naïve Bayes method.

The results of the study were used to predict creditworthiness to avoid bad credit, and to

evaluate the performance of the Naïve Bayes model.

Keyword : Data Mining, Naive Bayes Algorithm, Classification, Debtor.

1. PENDAHULUAN

Di dalam memberikan pelayanan, perusahan peminjaman ataupun kredit tentunya memiliki syaratyang telah ditentukan sebagaimana calon debitur yang akan menerima

peminjaman kredit tersebut. Perusahaan wajib menentukan layak atau tidaknya calon debitur

menerima kredit. Pada perusahaan peminjaman kredit atau perbankan khususnya, dimana

pemberian peminjaman kredit kepada debitur merupakan sumber penghasilan utama yang dimiliki oleh perusahaan. Selain itu resiko untuk terjadinya kemungkinan kredit macet sangatlah

riskan dan memungkinan terjadinya penurunan pendapatan perusahaan yang meminjamkan

kreditnya.

IJCCS ISSN: 1978-1520

Title of manuscript is short and clear, i Journal of Information System, Mei 2018st

Author)

11

Di dalam menghadapi persaingan, perusahaan dituntut untuk dapat memprediksi

kemungkinan adanya kredit macet yang terjadi atau selektif di dalam melakukan pemilihan calon debitur. Salah satunya metode data mining yang telah menjadikan perusahaan pada saat

ini lebih menggunakan atau memanfaatkan sebagai salah satu media di dalam melakukan

prediksi bisnis.

Dalam proses pembiayaan kredit motor yang dilakukan oleh OTO Kredit Motor masih belum cukup maksimal di dalam melakukan pemilihan dan menentukan calon debitur. Hal ini

dikarenakan penganalisis perusahaan terhadap kredit tidak begitu cermat dan dinilai tidak hati-

hati terhadap konsumen yang memiliki karakter yang tidak baik.

.

Gambar 1. Pertumbuhan Kredit tiap dua bulan.

Hal ini dapat dilihat dari pertumbuhan kredit yang menurun salah satu dari dampak

pendapatan operasional yang ikut menurun dikarenakan kredit macet selain itu data ketika

melakukan survey terhadap lapangan tidak sesuai dengan data yang diberikan calon debitur,

sehingga data menjadi tidak valid dan tidak dapat dijadikan tolak ukur. Di dalam melakukan analisis diperlukan beberapa aspek yang nantinya dapat dijadikan sebuah pertimbangan bagi

penganalisis di dalam menentukan layak atau tidaknya diberikan. Ketika aspek aspek yang

ditentukan telah dipenuhi dan data yang di cocokan dengan data di lapangan valid maka nantinya data tersebut dapat diolah dan dijadikan tolak ukur di dalam menentukan konsumen

atau calon debitur kedepan.

Tujuan yang ingindicapai adalah dapat melakukan implementasi menggunakan Metode Naïve Bayes dalam klasifikasi kelayakan calon kredit motor pada OTO Kredit Motor. Untuk

memberikan gambaran dengan lebih terfokus, data yang digunakan meliputi: data debitur atau

konsumen, data kriteria atau atribut, proses pembuatan laporan mengenai informasi data debitur.

Metode yang digunakan adalah metode Naïve Bayes yang mempunyai tahapan-tahapan antara lain: proses pembersihan data (Data Cleaning), integrasi data (Data Integration), seleksi

data (Data Selection), transformasi data (Data Transformation), proses mining, evaluasi pola

(Patterin Evaluation), presentasi pengetahuan (Knowledge Presentation).

Fungsi kredit bagi masyarakat untuk [1]:

1. Sebagai motivator dan dinamisator dalam peningkatan kegiatan perdagangan dan

perekonomian.

2. Menambah lapangan kerja bagi masyarakat. 3. Memperlancar arus barang dan arus uang.

4. Meningkatkan hubungan internasional.

ISSN: 1978-1520


end_page

12

5. Memaksimalkan produktivitas dana yang ada.

6. Meningkatkan daya guna barang. 7. Meningkatkan semangat berusaha bagi masyarakat.

8. Memperbesar modal kerja perusahaan.

9. Meningkatkan IPC (income per capita) masyarakat.

10. Mengubah pola berpikir atau bertindak masyarakat untuk lebih ekonomis.

Pada dasarnya terdapat dua fungsi yang saling berkaitan dengan kredit, yaitu

profitability dan safety”. Profitability yaitu, tujuan untuk memperoleh hasil dari kredit berupa keuntungan dari bunga yang harus dibayar nasabah. Sedangkan safety merupakan keamanan

dari prestasi atau fasilitas yang diberikan harus benar-benar terjamin sehingga tujuan

profitability dapat tercapai tanpa hambatan yang berarti. [2].

Klasifikasi merupakan bagian dari algoritma data mining, klasifikasi ini adalah algoritma yang menggunakan data dengan target (class/label) yang berupa nilai

kategorikal/nominal. Proses klasifikasi didasarkan pada empat komponen mendasar, yaituKelas

(Class), Prediktor (Predictor), Pelatihan dataset (Training dataset),Dataset Pengujian (Testing

Dataset).[3]

Knowledge Discovery in Database (KDD) merupakan sebuah proses dengan beberapa

tingkatan, tidak sepele, interaktif dan berulang untuk identifikasi pola yang dipahami, sah, baru dan secara potensial berguna mulai dari sekumpulan data yang sangat besar [4]. KDD

dikarakteristikkan sebagai sebuah proses yang terdiri dari beberapa tahap operasional :

Preprocessing, Data Mining dan Post Processing

Gambar 2. Tahap Knowledge Discovery in Database (KDD)

Data Mining merupakan proses pengekstraksian informasi dari sekumpulan data yang sangat besar melalui penggunaan algoritma dan teknik penarikan dalam bidang statistik,

pembelajaran mesin dan sistem manajemen basis data [5].

Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari

dataset yang diberikan. Algoritma mengunakan teorema Bayes dan mengasumsikan semua

atribut independen atau tidak saling ketergantungan yang diberikan oleh nilai pada variabel

kelas. Definisi lain mengatakan Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu

memprediksi peluang di masa depan berdasarkan pengalaman dimasa sebelumnya [3]. Naive

Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata yang kompleks dari

pada yang diharapkan [6].



Author)

13

2. METODE PENELITIAN

2.1 Metode Pengumpulan Data

Untuk mendapatkan data-data yang diperlukan, menggunakan cara: Pertama dengan Studi

pustaka, yaitu suatu cara untuk memperoleh data melalui bahan-bahan yang telah tertulis dalam jurnal, skripsi, buku, serta catatan-catatan baik tercetak maupun elektronik yang berkaitan

dengan permasalahan yang diteliti sebagai landasan teorinya. Kedua dengan Survei yang

dilakukan pada OTO Kredit Motor, dengan cara melihat dan datang langsung ke OTO Kredit Motor untuk mendapatkan data-data yang diperlukan.Diantaranya prosedur perkreditan yang

berjalan, penyusunan laporan kredit yang terjadi. Ketiga dengan wawancara yang dilakukan

dengan mengajukan beberapa pertanyaan yang berkaitan dengan pengumpulan data terhadap

narasumber dari pihak OTOKredit Motor.

2.2 Data Mining Menggunakan Metode Naïve Bayes

Metode yang digunakan untuk data mining adalah metode Naive Bayes. Di dalam penerapan data mining menggunakan metode Naive Bayes mempunyai tahapan-tahapan sebagai

berikut:

1. Pembersihan data (Data Cleaning) :pembersihan data merupakan proses menghilang-

kan noise dan data yang tidak konsisten atau data tidak relevan.

2. Integrasi data (Data Integration) :integrasi data merupakan penggabungan data dari

berbagai database ke dalam satu database baru.

3. Seleksi data (Data Selection) :data yang ada pada database sering kali tidak semuanya

dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari

database.

4. Transformasi data (Data Transformation) : data diubah atau digabung ke dalam format

yang sesuai untuk diproses dalam Data Mining.

5. Proses Mining : merupakan suatu proses utama saat metode diterapkan untuk

menemukan pengetahuan berharga dan tersembunyi dari data. Beberapa metode yang

dapat digunakan berdasarkan pengelompokan Data Mining.

6. Evaluasi pola (Pattern Evaluation) : untuk mengidentifikasi pola-pola menarik ke dalam

knowledge based yang ditemukan.

7. Presentasi pengetahuan (Knowledge Presentation).

3. HASIL DAN PEMBAHASAN

3.1 Pemahaman Bisnis (Business Understanding)

Pemahaman bisnis (business understanding), tahap pertama dalam proses CRISP-DM

yang juga dapat disebut sebagai tahap pemahaman bisnis (penelitian).

1. Menentukan Tujuan Bisnis

Di dalam melakukan penentuan bisnis terdapat beberapa data yang perlu diolah seperti data

kreditur atau data konsumen dari bulan januari hingga maret 2017 tujuannya adalah untuk menentukan kreditur yang baik untuk perusahaan serta meningkatkan pendapatan perusahaan

di dalam melakukan selektif pemilihan kreditur.

2. Melakukan Penilaian Situasi

ISSN: 1978-1520


end_page

14

Pada tahapan ini dengan melakukan pengklasifikasian terhadap kelayakan calon debitur, hal

ini sangat berkaitan dengan proses bisnis yang terjadi pada Oto Kredit Motor.

3. Menentukan Tujuan Data Mining

Tujuan pada penelitian yang dibuat penulis adalah menemukan pengetahuan baru terhadap

pola klasifikasi di dalam penentuan kelayakan penerimaan calon kredit motor pada Oto

Kredit Motor.

3.2 Pemahaman Data (Data Understanding)

Data subset yang digunakan berupa dokumen excel sejumlah 115 record dengan data

yang terbagi pada bulan Januari, Februari dan Maret.

1. Pengumpulan data awal

Dataset debitur Oto Kredit Motor dimana data yang diperoleh diambil dari bulan Januari, Februari dan Maret berdasarkan format dokumen excel atau .xslx. Selain itu kegiatan yang

dilakukan berupa wawancara, observasi serta melakukan studi pustaka.

2. Mendeskripsikan Data

Dataset dari debitur memiliki beberapa atribut diantaranya Jenis Kelamin, Usia, Status,

Pekerjaan, Penghasilan, Masa pembayaran.

3. Evaluasi kualitas data

Pada dataset penelitian yang dilakukan tidak ditemukan data yang kosong ataupun null.

4. Pemilihan Atribut

Atribut yang digunakan adalah Jenis Kelamin, Usia, Status, Pekerjaan, Penghasilan, Masa

pembayaran.

3.3 Persiapan Data

Persiapan data mencakup semua kegiatan untuk membangun dataset calon debitur yang akan diterapkan ke dalam alat pemodelan, dari data mentah awal berupa dataset calon debitur

dan selanjutnya akan melakukan proses data mining.

1. Seleksi Data

Atribut yang digunakan adalah Jenis Kelamin dari calon debitur, Usia debitur, Status pernikahan, Pekerjaan yang dimiliki saat ini, Penghasilan per bulan dan Masa pembayaran

atau rentang waktu pembayaran.

2. Pengolahan data mentah (Preprosessing Data)

Pada tahap ini merupakan tahap untuk memastikan data calon debitur yang dipilih telah

layak untuk dilakukan proses pengolahan

3. Transformasi data

Data yang berjenis numerikal seperti masa pembayaran harus dilakukan proses inisialisasi data terlebih dahulu ke dalam bentuk nominal. Untuk melakukan inisialisasi masa

pembayaran dapat dilakukan dengan:

a. Calon debitur dengan masa pinjam atau pembayaran 15 bulan dan 17 bulan dapat

dikategorikan < 21 bulan.

b. Calon debitur dengan masa pinjam atau pembayaran 21 bulan dan 27 bulan dapat

dikategorikan 21-27 bulan.



Author)

15

c. Calon debitur dengan masa pinjam atau pembayaran 33 bulan dapat dikategorikan > 27

bulan.

3.4 Pemodelan

Pemodelan adalah fase yang secara langsung melibatkan teknik data mining yaitu dengan

melakukan pemilihan teknik data mining dan menentukan algoritma yang akan digunakan.

1. Pemilihan teknik pemodelan

Naive Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara konditional

saling bebas jika diberikan nilai output. Dengan kata lain, diberikan nilai output, probabilitas

mengamati secara bersama adalah produk dari probabilitas individu.

2. Penghitungan Data Mining

a. Baca Data Training

Adapun data latih yang digunakan dapat dilihat pada gambar berikut :

Gambar 3. Data training pada bulan Januari

b. Kriteria dan Probabilitas

Probabilitas Kriteria Jenis Kelamin berdasarkan dengan data debitur pada gambar3

didapat sejumlah data (data training) yaitu dengan total 36 data, dari data tersebut

terdapat 1 data yang berjenis kelamin Laki – laki dengan data klasifikasi tidak lancar, 6

data yang berjenis kelamin Laki – laki dengan data klasifikasi kurang lancar dan 18 data yang berjenis kelamin Laki – laki dengan data klasifikasi lancar. Untuk berjenis kelamin

Perempuan terdapat 0 data dengan data klasifikasi tidak lancar, 1 data yang berjenis

No CIF Nama Jenis Kelamin Usia Status Pendidikan Gaji Nilai_jaminan Tempo Jumlah Pinjam Tujuan_pinjam Angsuran Margin

1 102003920 ABDURRAHMAN NIAM Laki-Laki 30 - 40 Tahun Kawin SARJANA PNS UMUM 2,200,000.00 33 10,000,000.00 Barang Konsumtif 303030.30 75757.58

2102003921 DEVI HARYANTO Perempuan 30 - 40 Tahun Kawin D3

KARYAWAN

SWASTA2,200,000.00 33 8,316,217.00 Barang Konsumtif 252006.58 63001.64

3 102003922 DIANI TRI RAVITA PUTRANTI Perempuan20 - 29

Tahun

Belum

KawinSARJANA WIRASWASTA 2,750,000.00 27 15,000,000.00 Barang Konsumtif 555555.56 138888.89

4102003923 KHAIRUR RAZIQIN Laki-Laki 30 - 40 Tahun Kawin SARJANA

KARYAWAN


5 102003924 HARYONO Laki-Laki 30 - 40 Tahun Kawin SMAKARYAWAN


6102003925 WIDIANI FITRI Perempuan 30 - 40 Tahun

Belum

KawinSARJANA WIRASWASTA 2,200,000.00 27 12,000,000.00 Barang Konsumtif 444444.44 111111.11

7 102003926 FEBIAN MARTIN Laki-Laki 30 - 40 Tahun Kawin SARJANAKARYAWAN


8102003927 SUPANGI PARDIONO Laki-Laki 30 - 40 Tahun Kawin D1

KARYAWAN


9 102003928 ARDAN NUROKHMAT Laki-Laki 30 - 40 Tahun Kawin SARJANAKARYAWAN


10102003929 QORYN NOURMALA SARI Perempuan

20 - 29

Tahun

Belum

KawinMAGISTER

KARYAWAN


11 102003930 DEVINA EFRILLIA WARMAN Perempuan 30 - 40 Tahun Kawin SARJANA WIRASWASTA 2,200,000.00 33 11,000,000.00 Barang Konsumtif 333333.33 83333.33

12102003931 DESI RISMAYA Perempuan 30 - 40 Tahun Kawin SARJANA

KARYAWAN


13 102003932 IMAM SAFARUDIN Laki-Laki >40 Tahun Kawin SARJANAKARYAWAN


14 102003933 RENTI HARDIANA Perempuan 30 - 40 Tahun Kawin SARJANA WIRASWASTA 3,250,000.00 21 10,000,000.00 Barang Konsumtif 476190.48 119047.62

15 102003934 TINA KARLINA Perempuan 30 - 40 Tahun Kawin D3KARYAWAN


16 102003935 DIAN ROMANSYAH Laki-Laki 30 - 40 Tahun Kawin SARJANA PNS UMUM 2,200,000.00 23 10,000,000.00 Barang Konsumtif 434782.61 108695.65

17 102003936 ABDUL SYAHRONI Laki-Laki 30 - 40 Tahun Kawin SARJANA PNS UMUM 3,750,000.00 29 12,000,000.00 Barang Konsumtif 413793.10 103448.28

18102003937 WIEN AYU LIANI Perempuan >40 Tahun Kawin SMA

KARYAWAN


19 102003938 NISA DEWI Perempuan 30 - 40 Tahun Kawin SMPKARYAWAN


20 102003939 INDRA AFRIANA Laki-Laki 30 - 40 Tahun Kawin SARJANA WIRASWASTA 3,250,000.00 29 13,000,000.00 Barang Konsumtif 448275.86 112068.97

21 102003940 AGUNG SUPRIYONO Laki-Laki 30 - 40 Tahun Kawin SARJANAKARYAWAN


22102003941 WAWAN BASUKI Laki-Laki >40 Tahun Kawin SARJANA

KARYAWAN


23 102003942 HENDAR ARIAWAN Laki-Laki 30 - 40 Tahun Kawin SMAKARYAWAN


24 102003943 AHMAD SUBANDI Laki-Laki 30 - 40 Tahun Kawin SARJANA WIRASWASTA 3,250,000.00 21 8,560,000.00 Barang Konsumtif 407619.05 101904.76

25102003944 YANUAR ADI Laki-Laki

20 - 29

Tahun

Belum

KawinSARJANA

KARYAWAN


26 102003945 YULIUS KRISTI Laki-Laki 30 - 40 Tahun Kawin MAGISTER PNS UMUM 3,250,000.00 21 15,500,000.00 Barang Konsumtif 738095.24 184523.81

27102003946 SULISTYAWAN SETIAWAN Laki-Laki 30 - 40 Tahun Kawin SARJANA

KARYAWAN


28 102003947 ZULHAM FATURRAHMAN Laki-Laki 30 - 40 Tahun Kawin SARJANA WIRASWASTA 2,200,000.00 27 15,000,000.00 Barang Konsumtif 555555.56 138888.89

29102003948 YUSIANA DWI Perempuan 30 - 40 Tahun Kawin SARJANA

KARYAWAN


30 102003949 AGUS PRASTOMO Laki-Laki 30 - 40 Tahun Kawin D3 WIRASWASTA 3,250,000.00 27 8,000,000.00 Barang Konsumtif 296296.30 74074.07

31 102003950 FERRY LEVELINO Laki-Laki20 - 29

Tahun

Belum

KawinSARJANA

KARYAWAN


32102003951 RETNO PAMUNGKAS Laki-Laki 30 - 40 Tahun Kawin SARJANA

KARYAWAN


33 102003952 ABU HASAN Laki-Laki 30 - 40 Tahun Kawin SARJANA WIRASWASTA 2,200,000.00 21 14,500,000.00 Barang Konsumtif 690476.19 172619.05

34102003953 RIYANTO SOFYAN Laki-Laki

20 - 29

Tahun

Belum

KawinSARJANA

KARYAWAN


35 102003954 KWOK JESUSANTO Laki-Laki 30 - 40 Tahun Kawin SMPKARYAWAN


36102003955 HANAFI YUSUF Laki-Laki 30 - 40 Tahun Kawin SARJANA

KARYAWAN


ISSN: 1978-1520


end_page

16

kelamin Perempuan dengan data klasifikasi kurang lancar dan 10 data yang berjenis

kelamin Perempuan dengan data klasifikasi lancar.

Tabel 1. Kriteria Probabilitas Jenis Kelamin pada bulan Januari

Jenis

Kelamin

Jumlah data klasifikasi Probabilitas

Tidak

lancar

Kurang

lancar Lancar

Tidak

lancar

Kurang

lancar Lancar

Laki-laki 1 6 18 1 0.85 0.64

Perempuan 0 1 10 0 0.15 0.36

Jumlah 1 7 28 0.03 0.19 0.78

Probabilitas Kriteria Usiaberdasarkan gambar 3 dimana yang berusia 20 – 29 Tahun

terdapat 1 data dengan data klasifikasi tidak lancar, 0 data yang berusia 20 – 29 Tahun dengan data klasifikasi kurang lancar dan 4 data yang berusia 20 – 29 Tahun dengan data

klasifikasi lancar. Untuk yang berusia 30 -40 Tahun terdapat 0 data dengan data

klasifikasi tidak lancar, 7 data yang berusia 30 - 40 Tahun dengan data klasifikasi kurang lancar dan 21 data yang berusia 30 - 40 Tahun dengan data klasifikasi lancar. Untuk yang

berusia >40 Tahun terdapat 0 data dengan data klasifikasi tidak lancar, 0 data yang

berusia >40 Tahun dengan data klasifikasi kurang lancar dan 3 data yang berusia >40

Tahun dengan data klasifikasi lancar.

Tabel 2. Kriteria Probabilitas Usia pada bulan Januari

Usia


Tidak

lancar

Kurang

lancar Lancar

Tidak

lancar

Kurang

lancar Lancar

20-29 tahun

1 0 4 1 0 0.14

30-40

tahun 0 7 21 0 1

0.75

>40

tahun 0 0 3 0 0

0.1

Jumlah 1 7 28 0.03 0.19 0.78

Probabilitas Kriteria Status berdasarkan gambar 3 dimana yang berstatus kawin dengan 0

data dengan data klasifikasi tidak lancar, 7 data yang berstatus Kawin dengan data klasifikasi kurang lancar dan 23 data yang berstatus Kawin dengan data klasifikasi lancar.

Untuk yang berstatus Belum Kawin terdapat 1 data dengan data klasifikasi tidak lancar, 0

data yang berstatus Belum Kawin dengan data klasifikasi kurang lancar dan 5 data yang berstatus Belum Kawin dengan data klasifikasi lancar.

Tabel 3. Kriteria Probabilitas Status pada bulan Januari

Status


Tidak

lancar

Kurang

lancar Lancar

Tidak

lancar

Kurang

lancar Lancar



Author)

17

Belum

kawin 0 7 23 0 1

0.82

Kawin 1 0 5 1 0 0.18

Jumlah 1 7 28 0.28 0.19 0.78

Probabilitas Kriteria Pekerjaan berdasarkan gambar 3 dimana yang memiliki pekerjaan

PNS 0 data dengan data klasifikasi tidak lancar, 1 data yang memiliki pekerjaan PNS

dengan data klasifikasi kurang lancar dan 3 data yang memiliki pekerjaan PNS dengan

data klasifikasi lancar. Untuk kriteria pekerjaan karyawan swasta terdapat 1 data dengan data klasifikasi tidak lancar, 5 data yang memiliki pekerjaan karyawan swasta dengan

data klasifikasi kurang lancar dan 17 data yang memiliki pekerjaan karyawan swasta

dengan data klasifikasi lancar. Untuk Kriteria Pekerjaan Wiraswasta yang memiliki pekerjaan wiraswasta terdapat 0 data dengan data klasifikasi tidak lancar, 1 data yang

memiliki pekerjaan wiraswasta dengan data klasifikasi kurang lancar dan 8 data yang

memiliki pekerjaan wiraswasta dengan data klasifikasi lancar.

Tabel 4. Kriteria Probabilitas Pekerjaan pada bulan Januari

Pekerjaan


Tidak

lancar

Kurang

lancar Lancar

Tidak

lancar

Kurang

lancar Lancar

PNS 0 1 3 0.00 0.14 0.10 Karyawan

Swasta 1 5 17 1 0.71 0.60

Wiraswasta 0 1 8 0.00 0.14 0.28

Jumlah 1 7 28 0.3 0.19 0.78

Probabilitas Kriteria Penghasilan berdasarkan gambar 3 dimana yang memiliki

penghasilan <10 terdapat 1 data dengan data klasifikasi tidak lancar, 7 data yang memiliki

penghasilan <10 juta dengan data klasifikasi kurang lancar dan 23 data yang memiliki penghasilan <10 juta dengan data klasifikasi lancar. Untuk yang memiliki penghasilan 10

juta terdapat 0 data yang memiliki penghasilan 10 juta dengan data klasifikasi tidak

lancar, 0 data yang memiliki penghasilan 10 juta dengan data klasifikasi kurang lancar

dan 3 data yang memiliki penghasilan 10 juta dengan data klasifikasi lancar. Untuk kriteria penghasilan >10 juta terdapat 0 data yang memiliki penghasilan >10 juta dengan

data klasifikasi tidak lancar, 0 data yang memiliki penghasilan >10 juta dengan data

klasifikasi kurang lancar dan 2 data yang memiliki penghasilan 10 juta dengan data klasifikasi lancar.

Tabel 5. Kriteria Probabilitas Penghasilan pada bulan Januari

Penghasilan


Tidak

lancar

Kurang

lancar Lancar

Tidak

lancar

Kurang

lancar Lancar

< 10 juta 1 7 23 1 1 0.82 10 juta 0 0 3 0.00 0.00 0.10

> 10 juta 0 0 2 0.00 0.00 0.07

Jumlah 1 7 28 0.02 0.19 0.78

ISSN: 1978-1520


end_page

18

Probabilitas Kriteria Masa Angsuran berdasarkan gambar 3 dimana yang memiliki masa

angsuran <21 bulan terdapat 0 data dengan data klasifikasi tidak lancar, 1 data yang memiliki masa angsuran <21 bulan dengan data klasifikasi kurang lancar dan 4 data yang

memiliki masa angsuran <21 bulan dengan data klasifikasi lancar. Untuk yang memiliki

masa angsuran 21-27 terdapat 1 data yang memiliki masa angsuran 21-27 bulan dengan

data klasifikasi tidak lancar, 4 data yang memiliki masa angsuran 21-27 bulan dengan data klasifikasi kurang lancar dan 21 data yang memiliki masa angsuran 21-27 bulan

dengan data klasifikasi lancar. Kemudian untuk kriteria masa angsuran >27 bulan

terdapat 0 data dengan data klasifikasi tidak lancar, 2 data yang memiliki masa angsuran >27 bulan dengan data klasifikasi kurang lancar dan 3 data yang memiliki masa angsuran

>27 bulan dengan data klasifikasi lancar.

Tabel 6. Kriteria Probabilitas Masa Angsuran pada bulan Januari

Masa

Angsuran


Tidak lancar

Kurang lancar

Lancar Tidak lancar

Kurang lancar

Lancar

< 21 0 1 4 0 0.14 0.14

21-27 1 4 21 1 0.57 0.75

>27 0 2 3 0 0.28 0.10

Jumlah 1 7 28 0.02 0.19 0.78

c. Menghitung Probabilitas Posterior

Probabilitas Prior untuk menentukan class terhadap temuan kasus baru, dengan cara terlebih dahulu menghitung Probabilitas Posteriornya, hal tersebut dilakukan apabila

ditemukan kasus baru dalam pengolahan data.Berikut tabel probabilitas posterior untuk

menghitung kasus baru yang ditemukan:

Tabel 7. Penghitungan Probabilitas Posterior pada bulan Januari

Data X P(X|Ci)

Atribut Nilai (Value) Tidak

lancar Kurang lancar Lancar

Jenis Kelamin Laki-laki 0.10 0.85 0.64

Usia 30 - 40 Tahun 0.00 1 0.75 Status Kawin 0.00 1 0.82

Pekerjaan Karyawan Swasta 1 0.71 0.60

Penghasilan <10 Juta 1 1 0.82 Masa

Angsuran <21 0.00 0.14 0.14

Pada Bulan Januari P(X| Kredit = Lancar)= P(Jenis Kelamin = Laki-laki | Kredit = Lancar) * P(Usia = 30 - 40

Tahun | Kredit = Lancar)* P(Status = Kawin | Kredit = Lancar)* P( Pekerjaan =

Karyawan Swasta | Kredit = Lancar)* P(Penghasilan <10 Juta | Kredit = Lancar)* P(Masa Angsuran = <21 | Kredit = Lancar)

= 0.64*0.75*0.82*0.60*0.82*0.14

= 0.02

P(X| Kredit = Kurang Lancar)= P(Jenis Kelamin = Laki-laki | Kredit = Kurang Lancar) *

P(Usia = 30 - 40 Tahun | Kredit = Kurang Lancar)* P(Status = Kawin | Kredit = Kurang

Lancar)* P( Pekerjaan = Karyawan Swasta | Kredit = Kurang Lancar)* P(Penghasilan

<10 Juta | Kredit = Kurang Lancar)* P(Masa Angsuran = <21 | Kredit = Kurang Lancar)



Author)

19

= 0.85*1*1*0.71*1*0.14

= 0.08 P(X| Kredit = Macet)= P(Jenis Kelamin = Laki-laki | Kredit = Macet) * P(Usia = 30 - 40

Tahun | Kredit = Macet)* P(Status = Kawin | Kredit = Macet)* P( Pekerjaan = Karyawan

Swasta | Kredit = Macet)* P(Penghasilan <10 Juta | Kredit = Macet)* P(Masa Angsuran =

<21 | Kredit = Macet) = 0.10*0.00*0.00*1*1*0.00

= 0

d. Implementasi dengan RapidMiner

Berikut adalah pengolahan data dengan menggunakan naïve bayes pada RapidMiner:

Gambar 4. Pemodelan naïve bayes dengan rapidminer

Pemodelan adalah tahapan (langkah) dalam membuat model dari suatu sistem nyata

(realitas). Rapidminer adalah sebuah lingkungan machine learning data mining, text

mining dan predictive analytics.

Gambar 5. Proses Training and Testing

Tujuan utama penelitian ini adalah untuk mengetahui nilai akurasi dari algoritma naïve bayes yang digunakan untuk mengklasifikasi kelayakan kredit. Di dalam kolom training

terdapat algoritma klasifikasi yang diterapkan yaitu Naïve bayes. Sedangkan di dalam

kolom testing terdapat Apply Model untuk menjalankan model naïve bayes dan

Performance untuk mengukur performa dari model Naïve bayes tersebut.

ISSN: 1978-1520


end_page

20

e. Hasil pengujian dan percobaan

Hasil dari pengujian model yang telah dilakukan adalah untuk mengukur tingkat akurasi pada gambar 4 merupakan pengujian tools rapidminer dengan jumlah data 28 record.

Berikut gambar yang didapat:

Gambar 6. Performance Vector

Jumlah True Positive (TP) adalah 18 record diklasifikasikan sebagai kredit Lancar ,False

Negative (FN) sebanyak 5 record diklasifikasikan sebagai kredit Kurang Lancar tetapi

kredit Kurang Lancar dan False Negative (FN) sebanyak 1 record diklasifikasikan sebagai kredit Lancar tetapi kredit Tidak Lancar. Berdasarkan tabel 4.5 tersebut menunjukan

bahwa, tingkat akurasi dengan menggunakan algortima Naïve Bayes Classifier adalah

sebesar 65,00%

4. KESIMPULAN

Berdasarkan hasil pembahasan dari uraian yang telah disampaikan diatas, maka dapat

ditarik kesimpulan sebagai berikut:

1. Hasil penelitian untuk perhitungan terhadap probabilitas pada bulan Januari diketahui bahwa nilai P(X| Kurang Lancar) lebih besar daripada nilai P(X| Lancar) dan P(X|Macet),

sehingga dapat digolongkan Kurang Lancar kemudian pada bulan Februari dan Maret

diketahui bahwa nilai P(X| Lancar) lebih besar daripada nilai P(X| Kurang Lancar) dan

P(X|Macet) sehingga dapat diambil kesimpulan bahwa dalam kasus Kredit tersebut akan

masuk kedalam klasifikasi tingkat kredit Lancar.

2. Hasil pengujian dari penelitian untuk nilai akurasi algoritma klasifikasi Naïve Bayes

Classifier adalah 65.00%.

3. Berdasarkan hasil penelitian dari bulan januari, februari hingga maret terjadi perubahan

tingkat kelancaran kredit hal ini ditunjukkan dari besar nilai lancar yang meningkat.

5. SARAN

Penelitian nantinya dapat dikembangkan lebih lanjut, dengan mendapatkan data yang bisa dijadikan sebagai tolak ukur serta lebih valid sehingga dapat meningkatkan tingkat akurasi

nantinya serta mengembangkan metode lainnya di dalam klasifikasi kelayakan kredit dengan

naïve bayes.

DAFTAR PUSTAKA

[1] Malayu S.P. Hasibuan, “Dasar-Dasar Perbankan”. PT Bumi Aksara : Jakarta, 2009.

[2] Rivai, Veithzal dan Andria Permata Veithzal, 2006. Credit Manajemen Handbook, Edisi

Pertama, Jakarta.



Author)

21

[3] Bustami, "Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah

Asuransi," TECHSI, vol. III, pp. 11-14, Oktober 2014.

[4] Silvia Rissino, Germano Lambert-Torres, (2009). Rough Set Theory-Fundamental

Concepts, Principals, Data extraction, and Applications, Data Mining and Knowledge

Discovery in Real Life Application, February 2009 I-Tech, Vienna, Autria.

[5] Shyara Taruna R, Saroj Hiranwal, (2013). Enhanced Naive Bayes Algorithm for Intrusion Detection in Data Mining, International Journal of Computer Science and

information Technologies, Vol. 4, 2013.

[6] Shadab Adam Pattekari, Asma Parveen, (2012), Prediction System for Heart Disease Using Naive Bayes, International Journal of Advanced Computer and Mathematical

Sciences, ISSN 2230-9624, Vol. 3, Issue 3, 2012

Documents

Implementasi Metode Naive Bayes Untuk Klasifikasi Kredit …